基于多传感器信息融合对东北粳稻苗期氮素养分监测研究

Currently, the methods for the crop monitoring are based on the large area monitoring research in the satellite remote sensing and used a single sensor technology for small area crop later growth information research. The project will utilize the multi-sensor information fusion technology combined with ground mature testing technology in the field crops to do the key research about the statistical analysis on japonica rice seedling stage in northeast multiple information fusion character comprehensive characteristics from two aspects of air and ground. 1) Through remote sensing imaging mixed pixel decomposition analysis for canopy image data of the japonica rice seedling stage in northeast, to determine the optimal growing nutrition distribution model and inversion study, to pick out the growth information feature vector, to achieve the recognition of spectra and images for the early japonica in northeast. 2) Combining the ground local groups vegetation index, leaf chlorophyll, nitrogen and other nutrients, multi-sensor information fusion feature vector growth comprehensive prediction models of japonica rice seedling growing in northeast will be built and optimized using genetic algorithm and neural network analysis method. 3) And then, the growth model will be validated and expanded through multi-sensor information fusion way from air and ground for the japonica rice seedling in northeast. Above all, remote sensing monitoring methods of japonica rice seedling in northeast will be improved and provided a new research for the generation of satellite development.

目前对于作物监测的方法，大都基于遥感卫星大面积监测研究，以及利用单一传感技术对小区域作物长势信息的研究且都集中在后期。本项目针对东北粳稻苗期多信息融合统计分析长势性状综合特征，采用无人机搭载多传感器信息融合技术结合地面成熟检测田间作物技术，从航空、地面两方面重点研究：1) 通过遥感影像混合像元分解分析法解析东北粳稻苗期冠层的影像数据，确定长势营养分布特征的最优模型和反演研究；筛选出长势信息的特征向量，实现对早期东北粳稻长势的图谱识别；2) 结合地面局部群体的植被指数、叶片叶绿素、氮素等营养元素的检测，利用遗传算法、神经网络分析方法，建立融合多传感器信息特征向量的东北粳稻苗期长势综合预测模型并优化；3) 通过航空、地面多传感信息融合方式对东北粳稻苗期长势模型进行扩展性检验并验证。从而完善东北粳稻苗期的遥感监测方法，同时与新一代卫星点面结合发展研究。

玉米是我国重要的粮食作物之一，增产潜力巨大。现代玉米育种行业正逐步将人工智能技术与育种工作中的关键环节进行紧密整合，利用机器学习模型架起基因信息与表型信息的桥梁，挖掘玉米产量相关的关键性状，从而提高育种效率。但是，目前该项工作的难点在于如何快速、准确地检测和记录各类表型数据。因此，快速、准确地对玉米三维结构表型参数进行高通量检测具有重要的现实意义。本项目以三维点云数据为驱动，开展玉米植株点云的器官分割和表型提取研究，主要开展了以下几个方面的工作：.（1）针对当前三维点云分割方法难以精确分割玉米植株顶部新叶的问题，提出一种基于骨架和最优传输距离的茎叶点云分割方法。首先利用拉普拉斯骨架提取算法获得植株骨架；其次根据玉米形态结构特征将植株骨架分解成器官子骨架，并实现器官粗分割；再以最优传输距离作为点云距离度量，采用从上到下的顺序对未分割点云进行精细分割；最后自动提取6种表型参数。.（2）当前三维点云处理技术难以在玉米植株点云上对果穗进行识别和表型参数提取。针对该问题，提出一种基于骨架的玉米植株三维点云果穗分割与表型参数提取方法。首先利用拉普拉斯骨架提取算法获得植株骨架，并根据玉米形态结构特征将植株骨架分解成器官子骨架；之后借助器官子骨架实现器官点云分割；最后根据器官高度、子骨架长度、圆柱特征和点云数量4个约束条件从器官中识别出果穗，并提取表型参数。.（3）针对当前三维点云处理方法不能在玉米植株点云中识别雄穗的问题，提出一种基云超体素聚类和局部特征的玉米植株点云雄穗分割方法。首先建立玉米植株点云无向图，利用法向量差异计算边权值，并采用谱聚类方法将植株点云分解为多个超体素子区域；随后结合主成分分析方法和点云直线特征提取植株顶部的子区域；最后利用点云的平面局部特征在顶部子区域中识别雄穗点云。.（4）针对当前缺少三维点云训练数据集标注软件工具的问题，本文提出了一种自顶向下的玉米植株点云数据分割方法，并在此基础上研发了玉米植株点云标注工具Label3DMaize。该工具通过茎秆分割、器官粗分割、器官精细分割和基于样例分割等算法和操作，可以实现不同生育期玉米植株点云半自动化的分割和数据标注。.通过上述工作，实现对玉米植株点云的器官分割和表型检测，为玉米株型优化、群体表型性状快速筛选与高产栽培方式决策等提供技术支持。